基于全矢CEEMDAN能量矩和AMHSSA-SVM的滚动轴承故障诊断

为充分利用滚动轴承的故障特征信息,提高故障诊断的准确性和可靠性,文中提出了一种基于全矢自适应噪声完全集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)能量矩和自适应多种群混合麻雀搜索算法(Adaptive Multi-population Hybrid Sparrow Search Algorithm,AMHSSA)优化支持向量机(Support Vector Machine,SVM)的故障诊断方法。首先,采用全矢谱技术融合同源双通道信号;其次,采用CEEMDAN算法处理融合信号,选择相关系数较大的前5阶IMF分量,并计算其能量矩作为支持向量机模型的特征输入;最后,提出AMHSSA算法并优化支持向量机模型的参数,建立AMHSSA-SVM故障诊断模型。对该模型进行测试,结果表明:此模型有效提高了识别准确性,与类似模型对比,进一步证明了其在分类精度和优化时间方面的优越性。

基于CEEMDAN-GRU组合模型的碳排放交易价格预测研究

准确的碳价格预测有助于监管部门观测碳交易市场运行状况及投资者进行科学决策,对实现碳达峰和碳中和具有重要作用。但碳价序列具有非线性、非平稳性和高噪声的特性,很难对其进行准确预测。将完全自适应噪声集合经验模态分解(CEEMDAN)方法与门控循环单元(GRU)相结合,构建一个碳排放交易价格预测模型。该模型基于分解、集成思想,利用CEEMDAN将原始碳价序列分解,获得不同频率的本征模函数(IMF)和残差序列,使用GRU神经网络分别为各子序列建立预测模型,最后集成预测结果得到碳价预测值。以湖北省碳交易市场的日度成交价为例进行实证分析,结果表明:相较于其他5种基准模型,CEEMDAN-GRU模型具有更小的预测误差和更高的拟合优度,在碳价格预测上具有一定的优势。

基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法,量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)、宽度学习系统(Broad Learning System,BLS)模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流值为实验数据,将EMD-QPSO-BLS、QPSO-BLS作为CEEMDAN-QPSO-BLS的对比模型,并采用纳什效率系数(NSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为模型预测可信度和精准度的评价指标。实验表明,在预见期4天内,与QPSO-BLS、EMD-QPSO-BLS模型相比,CEEMDAN-QPSO-BLS的预测精准度分别提高了79.87%、19.80%,可信度分别提高了131.2%、10.98%,径流预测精度的提高,可为防洪抗旱保护人民生命财产和可持续发展提供决策支持。

基于CEEMDAN和相关性分析的大坝位移预测

大坝位移数据受各种因素的影响,具有非平稳非线性的特征,针对数据预测精度低的问题,提出了一种CEEMDAN-PCCs-TCN-XGBoost组合预测模型.以某重力坝监测数据为例,首先,引入CEEMDAN算法捕捉非平稳数据的趋势信息和波动信息,联合PCCs算法确定影响数据波动的主要因素;其次,为了提高预测精度,趋势信息使用传统HST模型进行预测,波动信息利用主要因素作为输入变量进行预测,再分别应用TCN模型和XGBoost模型对数据进行预测最后累加得到最终预测结果,并将预测结果与EEMD-ARIMA、EEMD-LSTM-MLR等模型对比,结果表明,CEEMDAN-PCCs-TCN-XGBoost组合预测模型对波动频繁的大坝位移数据的预测更精确.

基于改进小波阈值—CEEMDAN的变压器局部放电超声波信号白噪声抑制方法

为了有效去除变压器局部放电超声信号中的白噪声干扰,提高后续局部放电模式识别及定位的准确性,提出了一种基于改进小波阈值和自适应噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的变压器局部放电超声波信号去噪方法。首先,通过对放电信号进行CEEMDAN分解得到一系列由高频到低频的本征模函数IMF(intrinsic mode function);然后,利用多尺度排列熵(multi-scale permutation entropy,MPE)算法计算各阶IMF分量的排列熵PE(permutation entropy),根据各IMF的排列熵值确定信号的去噪阈值与有效阈值。对高于去噪阈值的IMF分量采用改进小波阈值法进行去噪处理,对低于有效阈值的IMF分量视为基线漂移进行剔除。最后,通过重构去噪分量与剩余分量来获得去噪后的超声波信号。仿真和实验结果均表明,文中所提出的去噪算法大大提高了信号的信噪比,并保留了原始超声波信号中的有效信息,对提高后续利用超声波信号进行局部放电模式识别及定位的精确性具有重要意义。

基于CEEMDAN的多时间尺度的北京市PM_(2.5)浓度影响因素研究

研究PM_(2.5)浓度的主要影响因素,对提升北京市空气质量具有重要意义。与以往仅限于原始时间尺度的研究不同,本文基于CEEMDAN方法考察了多时间尺度下年平均风速、城市绿化、人口密度、产业结构和能源强度对北京市PM_(2.5)浓度波动的影响,并与原始时间尺度的主导因素进行对比。研究发现:原始尺度的北京市PM_(2.5)浓度影响因素是不同时间尺度内影响因素合力作用结果,不同时间尺度下影响因素不同。城市绿化、人口密度、产业结构和能源强度在多时间尺度中起到短期增强波动的作用,城市绿化和产业结构是贯穿于各个时间尺度的具有趋势性,决定北京市PM_(2.5)浓度基本走势的影响因素。

融合 OCEEMDAN的多模态互量纲一化与宽度学习改进的智能故障诊断

滚动轴承作为旋转机械的重要组成部分,在恶劣环境运行导致振动信号具有非线性和非平稳的特点,使得区分故障信号和正常信号变得困难。针对此,提出一种结合多模态互量纲一化(MMDI)与宽度学习系统(BLS)的智能故障诊断方法。通过优化完全自适应噪声集合经验模态(OCEEMDAN)与小波阈值对轴承观测信号进行分解处理,对有效的本征模态函数(IMF)重构并提取MDI,构建了一批MMDI;采用反向传播算法(BP)与堆叠模块方式优化BLS,改进的BLS算法能够快速识别不同的故障类型;最后通过凯斯西储大学轴承数据中心与某实验室提供的轴承数据集对所提方法进行验证,平均准确率分别为99.8%与100%,验证了方法的有效性。

基于CEEMDAN-GAF的变压器机械故障检测方法

针对基于振动信号的传统变压器机械故障检测方法中需要选择多个特征量这一缺点,文中介绍了一种基于自适应白噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与格拉姆角场(gramian angular field,GAF)的配电变压器机械故障判别方法。所提方法利用CEEMDAN对信号进行重构并应用GAF变换获得重构信号的二维图像,通过对二维图像灰度处理、二值化后将所得二值矩阵用于训练径向基函数(radical basis function,RBF)神经网络,实现对于机械故障的检测。选用一台变压器进行了故障模拟及测试,结果表明该方法准确有效。工程实际中通过持续大量采集变压器运行数据优化RBF神经网络的分类函数,可以实现不同类型故障的精准识别,具有较高的参考价值。

基于CEEMDAN-FastICA-MCNN的多传感信息融合轴承故障诊断

针对轴承振动信号易受噪声干扰、变工况及单一传感器提取特征信息不完备的问题,提出基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition of Adaptive Noise,CEEMDAN)、快速独立分量(Fast Independent Components Analysis,FastICA)降噪和多输入卷积神经网络(Multiple-input Convolutional Neural Networks,MCNN)的多传感信息融合轴承故障诊断方法。首先分别对多传感采集的振动信号划分数据集,并输入CEEMDAN得到本征模态函数(Inherent Nodal Function,IMF);随后,选择峭度大于3的IMF构造观测信号,其余IMF构造虚拟噪声信号,作为两个输入源输入FastICA,分离出特征向量;最后,设计MCNN识别故障类型。在CWRU和XJTU-SY数据集上的正确率分别为99.94%和99.64%。在信噪比为-8 dB的抗噪性能测试中,正确率分别为96.95%和98.29%;在信噪比为0 dB的抗噪性能测试中,正确率分别为99.00%和99.23%。对比实验结果表明此方法能够提取更为全面的故障特征信息,获得更高的准确率。

基于CEEMDAN-LSTM模型的污水处理厂N_(2)O排放预测研究

在我国实行“双碳”战略的背景下,污水处理厂N_(2)O排放预测对于污水处理厂的碳中和有积极意义。现有的污水处理厂N_(2)O排放预测研究通常直接采用基于包含噪声的N_(2)O排放量数据进行建模预测,导致模型预测精度不高。采用自适应噪声完备集合经验模态分解-长短期记忆网络(CEEMDAN-LSTM)模型,通过引入CEEMDAN方法缓解数据中噪声对模型的影响以提高模型预测精度,对污水处理厂N_(2)O排放进行预测并在预测验证集上验证模型。与LSTM、门控循环单元(GRU)、人工神经网络(ANN)和支持向量机(SVM)模型相比,CEEMDAN-LSTM预测精度最高,均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为5 497.11、56.55和1.22%,能够更高精度地预测N_(2)O排放量,为污水处理厂采取合适的碳中和策略提供理论支撑。

基于改进CEEMDAN在电能质量复合扰动去噪中的应用

为提高噪声环境下电能质量复合扰动识别精度,提出一种基于改进自适应噪声完备经验模态分解(CEEMDAN)去噪算法。首先通过CEEMDAN方法将含噪信号分解为若干本征模态函数(IMF);然后将改进兰氏距离与多重分形去趋势波动分析(MFDFA)结合,把若干IMF分量分为信号IMF分量、噪声和信号混叠IMF分量、噪声IMF分量。对于混叠IMF分量、噪声IMF分量分别采用改进奇异谱分析(SSA)、小波阈值(WT)去噪;最后,将经去噪处理的IMF分量与信号IMF分量进行重构。实验表明:与对比算法相比,含噪扰动经新算法去噪后,信噪比显著提高,去噪效果良好。

基于CEEMDAN-SE-VMD和CNN-BIGRU的短期负荷预测

针对电力负荷预测的精度较低问题,提出一种基于CEEMDAN-SE-VMD和CNN-BIGRU组合模型的负荷预测方法。首先该模型采用自适应噪声的完全经验模态分解(CEEMDAN)处理成分复杂的原始负荷数据,经过分解后得到若干个包含不同频率成分的本征模函数(IMF)。再利用样本熵(SE)对分解后不同频率的本征模函数进行熵值聚类重组。然后,利用变分模态分解(VMD)对重组后的高频序列进行二次分解,将二次分解后得到的子序列和样本熵重组的低频序列和趋势序列数据输入卷积神经网络(CNN)网络,利用其来提取反映负荷序列复杂相关的高位特征向量。最后,再输入到双向门控循环单元(BIGRU)网络中进行预测,得到各子序列的预测结果,叠加得到最终的负荷序列预测结果。通过横向和纵向实验结果对比,证明所提出的模型能够较好地提升电力负荷预测精度。

基于CEEMDAN与t-SNE的轴向柱塞泵典型故障诊断方法

掘进机在非均匀土壤工况下运行会使得其液压驱动系统受到较强的冲击负载,易导致其核心动力源液压泵发生故障。针对轴向柱塞泵内的典型磨损故障的特征分离提取与辨识分类,提出了一种基于CEEMDAN方法的故障振动信号时频域特征提取方法,对泵壳体采集的振动信号进行时频域分解,并构建70维度特征空间对状态特征进行表征描述;通过特征降维融合的策略,采用t-SNE对高维特征进行解析融合,将70维的特征空间降维至2维空间,并显著提升了分类器的训练效率和分类准确性;采用SVM方法训练3类典型磨损故障的分类器模型,并通过测试集验证,模型的辨识准确性达到96.7%,显著优于不进行降维处理的高维分类器辨识模型。

基于CEEMDAN多尺度改进排列熵和SVM的空化噪声特征提取

当水下航行器处于高速航行时就会形成空化噪声,所产生的噪声会严重影响水下航行器的性能和安全。螺旋桨噪声包含着丰富的空化信息,是识别空化状态的有效手段。针对改进排列熵在单尺度下对原信号进行分析,无法有效区分不同空化状态,提出了将改进排列熵与自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)相结合的空化噪声特征提取方法。首先,采用CEEMDAN方法对水下航行器螺旋桨的空化噪声进行分解,提取具有空化特征的固有模态函数(intrinsic mode function, IMF)分量;其次,选取相关系数最高的IMF分量并计算其多尺度改进排列熵(multi-scale improved permutation entropy, MIPE);最后,基于多尺度改进排列熵,建立支持向量机的特征分类模型。仿真和试验结果表明,该方法具有更好的可分性。

基于CEEMDAN和SE算法的打夯机负荷振动信号识别研究

为了提高打夯机在复杂工作环境中筒体容易产生多种非线性振动信号扛干扰能力,设计了一种基于自适应噪声完备经验模态分解(CEEMDAN)算法和标准误差(SE)算法的打夯机负荷振动信号识别方法。采用CEEMDAN算法分解信号数据,以极限学习机为打夯机负荷建立模型,完成打夯机负荷的精确判断。研究结果表明:CEEMDAN对打夯机振动信号起到良好的预处理作用,各内涵模态(IMF)分量SE值均未出现相互重叠,有效IMF分量SE总体表现为欠负荷>常负荷>过负荷的特征。该模型对过负荷达到最高识别率,形成了98.85%的过负荷识别率,比EMD-SE与MEEMD-SE的过负荷识别率依次增大15.61%、12.14%。该研究可以有效识别负荷情况,为下一步驱动打夯机做出相应动作奠定基础,有效地提高节能效果。

基于CEEMDAN功率分解的火电厂混合储能容量优化配置

为了解决火电机组跟随自动发电量指令(Automatic generation control, AGC)响应延迟大、超调大等问题,提出一种基于完全噪声辅助聚合经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)的混合储能系统容量优化配置方法。首先,通过某时间段火电机组跟随AGC指令输出曲线,获得混合储能系统需要提供的功率。在此基础上,利用CEEMDAN将需求功率进行分解,获得不同频率下火电机组与AGC指令之间的误差。选择合适的储能元件,构建火电厂响应AGC指令的混合储能系统结构模型,在考虑能量型储能元件磷酸铁锂电池与功率型储能元件飞轮储能系统两类不同储能设备工作特性的情况下进行功率分配。在考虑储能系统荷电状态(State of charge, SOC)、容量与充放电功率等约束下,建立以综合成本最小为目标的容量优化配置模型,将功率分解结果与容量配置模型联合优化,获得最优功率分配情况和对应的储能配置方案。提供工程案例分析,结果表明所提方法可以有效弥补火电机组跟随AGC指令的延迟功率响应,提高火电机组供电可靠性和经济效益,同时相较于单一储能元件,本方案所设计混合储能系统拥有更优经济性。

基于CEEMDAN和小波包分解的闸门振动信号降噪研究

针对闸门监测振动信号去噪问题,提出基于CEEMDAN(经验模态分解)和小波包分解的闸门振动信号降噪算法,通过采用CEEMDAN和小波包分解方法进行信号去噪,可以有效处理水电站泄洪闸门振动信号中受到的外部干扰。CEEMDAN方法能够将信号分解成多个本征模态函数(IMF),每个IMF代表不同频率的振动成分,使得外部干扰和真实信号成分可以分离。随后,小波包分解能够将每个IMF进一步分解成不同尺度和频率的子频带,这有助于更准确地定位和分离干扰成分。对每个子频带应用阈值去噪技术,可以有效去除噪声,保留真实信号。由测试结果可知,该算法能很好地剔除闸门振动信号中的无用噪声,有效提高闸门振动信号的准确性。

基于CEEMDAN-LSTM的滑坡位移预测

建立滑坡地质灾害高精度的位移预测模型对滑坡灾害的提前预报十分重要,并且滑坡变形具有阶梯状曲线特性,通常具有隐性的周期性。因此,以三峡库区白水河新滩滑坡为例,基于阶梯状滑坡位移的内在季节性特征,提出了一种基于自适应白噪声的完整经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和长短时记忆网(Long Short-Term Memory,LSTM)的位移预测方法。首先利用CEEMDAN将滑坡累计位移分解为趋势项和周期项,然后利用多项式函数预测趋势项位移;再利用LSTM模型预测周期项位移,最后将各分量位移累加得到最终的模型计算。结果表明,CEEMDAN-LSTM模型具有精确度较高的预测效果。

基于CEEMDAN-SE-GWO-LSTM模型的短期风速预测

为了降低风速具有的非线性和随机性带来的预测难度,提高预测准确性,提出一种融合完全自适应噪声集合经验模态分解(CEEMDAN)、样本熵(SE)、灰狼优化算法(GWO)和长短期记忆神经网络(LSTM)的组合预测模型来预测短期风速。首先利用CEEMDAN将风速数据分解为若干模态分量,再通过样本熵对各分量进行筛选,将样本熵值相近的模态分量进行叠加,形成新的若干个子序列,然后对各子序列采用GWO-LSTM模型进行训练与预测,最后叠加子序列的预测结果。实验结果表明,所提CEEMDAN-SE-GWO-LSTM模型相对于单一的LSTM模型在均方根误差、平均绝对误差和平均相对误差这3个误差指标上分别降低了21.7%、44.5%和40.9%,因此该模型具有较好的预测精度与稳定性,可有效预测短期风速。

基于CEEMDAN混合WTD-XGBoost-LSTM的电厂锅炉主蒸汽压力预测

提出了一种电厂锅炉主蒸汽压力预测的方法,该方法基于自适应噪声完备集合经验模态分解CEEMDAN,并对复杂高频分量进行小波降噪WTD处理,随后针对不同分量特征分别构建极限梯度提升XGBoost和长短时记忆LSTM网络模型进行预测,最后叠加获得最终预测结果。并选择多种对比模型,使用实测数据对比预测效果。结果表明,所提模型在时间滞后性和预测准确性方面均优于其他模型,具有较强的工程应用意义。